基于公交IC卡和GPS数据的公交OD量推算研究

邓红星，赵志恒，王玮琦

(东北林业大学 交通学院， 哈尔滨 150040)

近年来，随着科技的进步，公交客流量调查的方法也趋于多样，研究人员开始利用IC卡与传感器来进行公交乘客上下车的调查[1]。随着公交IC卡技术的成熟与公交车辆GPS安装的普及，通过对二者数据的融合可以得到公交乘客的上车位置与出行轨迹[2-5]。Tu等[6]利用IC卡与GPS技术来推断旅客出行的原始车站，在此基础上利用回归预测法对客流进行预测，结果表明精度可以达到80%以上。Zhang等[7]同样利用IC卡与GPS技术来获得乘客的上车位置，并在Transcad模型中用最短路径法推导出原站和站间距离矩阵的基础上，以出行链为基本原理推导出中转站与目的地。李莹等[8]在判断出乘客上下车站点的基础上,从空间和时间的角度综合识别公交换乘行为。秦政[9]以成都公交为例，对乘客刷卡滞后等情况进行判断，利用相邻站点匹配的方法识别上车位置。陈学武等[10]通过对公交IC卡数据与AVL数据的融合得到乘客的上车站点位置，分别建立多种下车站点的推导模型，并优化下车站点的推导流程。通过上述研究，发现公交乘客的上车位置由之前单纯地通过对公交IC卡进行聚类分析逐步过渡为通过IC卡数据与GPS数据相结合的办法来判断，但下车模型建立的修正因素过于单一，只通过站点的吸引强度来进行约束。本文以哈尔滨市102路公交车为例，通过其IC卡与GPS数据的时间匹配来判断乘客上车位置，并通过算法得到该线路乘客的OD量。

1 IC卡与GPS的基础数据分析

1.1 公交GPS基础数据分析

在进行数据匹配前，需要对数据进行处理分析。将公交车辆的GPS数据与公交站点编号结合可知公交车具体的到、离站时间， 102路公交车GPS到、离站时间数据如表1所示。

表1 GPS到、离站时间

站号站名到站时间离站时间11大发市场7∶43∶257∶44∶1412康安路7∶47∶287∶47∶5313中心医院7∶55∶037∶55∶4814安红街7∶57∶267∶57∶5815安升街8∶03∶428∶04∶1916北安街8∶10∶028∶10∶4717经纬街8∶13∶068∶13∶5218哈一百8∶15∶528∶16∶5019中国人寿保险8∶17∶158∶17∶5620防洪纪念塔8∶19∶338∶20∶58

1.2 公交IC卡基础数据分析

公交IC卡是集成电路卡，具有信息储存量大、数据全面等优点。公交IC卡主要信息的格式与类型如表2所示。

2 上、下车站点的判断

2.1 车站点的判断

本文先对乘客刷卡数据进行聚类分析[11-13]，聚类的关键要素是时间Tmin，其具体的步骤如下：

步骤1收集某辆公交车从起点到终点的所有刷卡数据，按照时间先后排列一排。

步骤2分析相邻两个刷卡记录的时间间隔Ti,将时间间隔小的若干类合成一类。

步骤3以此类推，直到Ti>Tmin停止，Tmin为该公交线路相邻站点的刷卡时间最小间隔。

IC卡刷卡数据聚类分析的关键是Tmin的取值，根据哈尔滨市公交IC卡的使用情况调查可以得到Tmin为60 s。

以上步骤可用聚类树来分析，如图1所示。

表2 公交IC卡数据结构

图1 公交IC卡时间聚类分析过程

当聚类到C4时，Ti>Tmin，停止聚类，形成C3分类，即T1、T2、T3三类，分别包含3、2、1个元素。

将聚类好的IC卡数据与GPS数据进行时间匹配即可得到各站点的上车人数。具体流程如图2所示。

图2 基于公交乘客刷卡数据的上车站点判断流程

2.2 下车站点的判断

通过实际调查发现乘客的乘车距离服从一定的泊松分布，以此可以判断公交乘客的下车位置[14]。但是各个站点的客流量不只受这一种因素的影响，还受到土地利用性质和公交站点的换乘系数等多种因素的影响。比如，早上学校、医院、大型写字楼等办公场所的站点会有大量的学生和上班族下车，如果是周末，大型商业中心和娱乐场所的站点会有大量的客流。还有火车站、汽车站、大学城这样的站点会有许多的乘客进行换乘，换乘系数会很高。

以某条公交线路某辆公交车的单程线路为例，假设经过n个站点，各站点上车人数Bi已知，设站点i的下车人数为Ai，在始发站无人下车，A1=0；在站点2下车的乘客来自站点1的上车乘客，A2=B1×p12；在站点3下车的乘客来自站点1和站点2的上车乘客，A3=B1×p13+B2×p23。因此，可得站点j的下车人数为

(1)

因为始发站与终点站无人上下车，可得：

A1=0,Bn=0

因为在站点i上车的乘客一定在站点i后下车，所以可得：

(2)

在站点j下车的乘客一定在站点j前上车，可得：

(3)

通过对公交客流的调查数据分析，发现决定乘客在某个站点下车概率的因素主要有4个，乘客的出行行为、站点的土地利用性质、站点的吸引强度和换乘系数。

1) 基于乘客出行行为的概率分析

乘客的公交出行大致服从一定的规律，即出行距离大多为中长距离。根据调查研究发现， 乘客公交出行的乘车站点数大致聚集在一定的范围内，当乘坐一定站数时，在此站点下车概率最大；当乘坐距离过长或过短时，则下车概率越小，此概率符合泊松分布。因此，可以得到乘客站点下车概率Fij为

(4)

其中参数λ为公交平均出行途径站点数。结合实地情况，居民平均出行站点数量为10，当到达10站点数量以后，居民乘坐站点数量为λ=20-i。

2) 基于站点土地利用性质的概率分析

站点附近的土地利用性质也会对乘客的下车概率产生影响，像商业中心、火车站等站点的客流吸引量会比普通站点的客流吸引量多，故类似站点的土地利用性质会比普通站点的土地利用性质高，本文把土地利用性质分为7类，如表3所示。

表3 各种土地利用性质吸引系数

根据《城市道路交通设计规范》，本文将站点500 m范围内的土地利用性质作为研究范围。设Gjh为公交站点j的500 m范围内第h种土地性质的土地面积占总用地面积的比例，设Kh为各种用地的吸引系数。因此，公交站点j的吸引权Tj为

(5)

3) 基于站点吸引强度的概率分析

基于公交站点本身的吸引强度考虑可以得知，某一公交站点的发生量与吸引量大体均衡，即站点客流发生量越大，则此站点下车概率越大，反之，当站点客流发生量越小，则下车概率越小。由此可推算各站点吸引权Wj。Wj为各站点的吸引权，Bj为在第j站点上车人数，即

(6)

4) 基于公交站点换乘能力的概率分析

对于公交乘客的出行，有时需要进行相应换乘才能到达目的地。因此，当多条公交线路经过某个站点时，乘客在这个站点选择下车进行换乘的概率就越大，类似汽车站、火车站经过多条公交线路的站点，其换乘系数相对较高[15]。因此，本文设Dj为第j站点的换乘系数，Lj为第j站点能够换乘的线路数，可以得到：

(7)

在这里，除了经过这个站点的所有公交线路外，乘客还有可能选择离这个站点较近的其他公交站点进行换乘，因此，还需考虑异站换乘。若选择异站换乘，居民可接受的换乘距离一般为100 m，所以只考虑离站点100 m范围内的其他换乘站点。以102路为例，可查看102路20个站点中每个站点100 m范围内可以进行换乘的站点。由此得到102路所有站点的换乘系数。

由以上4种因素导致的公交乘客选择下车的概率可以得到Pij公式：

(8)

将Pij代入式(1)得到公交OD矩阵，如表4所示。

表4 公交OD矩阵

3 实例分析

3.1 情况介绍

本文以哈尔滨市102路公交车为例进行分析，线路方向如图3所示。线路全长12.116 km，共经过20个公交站点。本文数据由公交一卡通公司与公交处获得，包括公交IC卡数据与公交车辆GPS数据。针对2017年10月10日早高峰7∶00—9∶00的公交客流进行分析，在该时间段内的上行方向经过16条公交车辆，得到刷卡记录866条。

图3 公交线路示意

3.2 上、下车站点的判断

首先对每辆公交车的IC卡数据进行聚类分析，然后与整理的公交车辆GPS数据进行时间匹配。IC卡数据的刷卡时间落在公交车辆GPS数据的到、离站时间之间，则可以确定该名乘客的上车站点位置。由此得到早高峰时段各站点上车人数，如表5所示。

其次，进行下车站点的判断。先进行基于乘客出行距离的概率计算，再通过站点的吸引权、土地利用性质、可换乘系数等对模型进行修正，得到具体的出行概率矩阵，然后通过各站点上车人数，得到该线路的OD量，如表6所示。

由此得知各站点的上下车人数，如表7所示。同时可以得到线路上各站点上下车人数的表现图，如图4所示。由图6可以看出各站点上下车人数的总数以及比例情况。站点1与站点2的上车人数较多，站点18、19、20的下车人数较多，站点11的上下车人数总量较大，故可以在早高峰期间为这些站点设置大站快车来减轻站点的负担。

图4 各站点上下车人数表现图

表5 早高峰时段各站点的上车人数

表6 早高峰时段各站点间OD量

表7 各站点上下车人数

4 结束语

本文利用公交IC卡与GPS数据进行时间匹配判断乘客上车位置，基于实际调查结果发现乘客的出行距离大致服从泊松分布。通过站点土地利用性质、站点吸引强度、站点公交线路换乘系数对其进行修正，得到乘客的下车概率。最后通过哈尔滨市102路公交车进行实际计算得到该线路OD量。本文通过概率模型的方法中乘客的下车站点进行判断，随着城市公交对乘客下车刷卡的普及，可以更准确地获得乘客的下车位置。